断点续训

功能特点

当训练任务出现故障时，将任务重调度到健康设备上继续训练或者对故障芯片进行自动恢复。

• 故障发现：通过MindCluster Ascend Device Plugin、MindCluster Volcano、MindCluster ClusterD和MindCluster NodeD四个组件，发现任务故障。
• 故障处理：故障发生后，根据上报的故障信息进行故障处理。分为以下两种模式。
  • 重调度模式：故障发生后将任务重调度到其他健康设备上继续运行。
  • 优雅容错模式：当训练时芯片出现故障后，系统将尝试对故障芯片进行自动恢复。
• 训练重启：在任务重新调度之后，训练任务会使用故障前自动保存的ckpt，重新拉起训练任务继续训练。

所需组件

• MindCluster Volcano
• MindCluster HCCL Controller或MindCluster Ascend Operator
• MindCluster Ascend Device Plugin
• MindCluster Ascend Docker Runtime
• MindCluster NodeD
• MindCluster ClusterD
• MindCluster Elastic Agent

使用说明

1. 安装组件请参考安装部署章节进行操作。
2. 特性使用指导请参考断点续训进行操作。